當前基于神經(jīng)輻射場（NeRF）或3D高斯?jié)姙R（3DGS）的SLAM方法在重建靜態(tài)3D場景方面表現(xiàn)出色，但在動態(tài)環(huán)境中的跟蹤和重建方面卻面臨著挑戰(zhàn)?，F(xiàn)有的基于NeRF的SLAM方法解決動態(tài)問題通常依賴于RGB-D輸入，而很少有方法能適應(yīng)純RGB輸入。為了克服這些局限性，我們提出了Dy3DGS-SLAM，這是首個使用單目RGB輸入的針對動態(tài)場景的3D高斯?jié)姙R（3DGS）SLAM方法。實驗結(jié)果證明，Dy3DGS-SLAM在動態(tài)環(huán)境中實現(xiàn)了最先進的跟蹤和渲染效果，優(yōu)于或達到了現(xiàn)有的RGB-D方法的水平。

? 文章：

Dy3DGS-SLAM: Monocular 3D Gaussian Splatting SLAM for Dynamic Environments

? 作者：

Mingrui Li, Yiming Zhou, Hongxing Zhou, Xinggang Hu, Florian Roemer, Hongyu Wang, Ahmad Osman

? 論文鏈接：

https://arxiv.org/abs/2506.05965

? 編譯：

INDEMIND

01 本文核心內(nèi)容

近期，基于NeRF或3DGS的密集SLAM系統(tǒng)引起了廣泛關(guān)注。這些系統(tǒng)在靜態(tài)場景中實現(xiàn)了逼真的渲染效果，并逐漸向大規(guī)模或更具挑戰(zhàn)性的場景拓展。然而，由于現(xiàn)實世界中存在大量動態(tài)物體，這類SLAM系統(tǒng)在應(yīng)對這一挑戰(zhàn)時卻表現(xiàn)不佳。另一個受到關(guān)注的問題是如何在不依賴RGB-D傳感器，僅使用單目RGB輸入的情況下取得更好的效果，該類傳感器更易獲取，且具有更大的潛力。

盡管一些基于NeRF的方法，如DN-SLAM、DDNSLAM、NID-SLAM和RoDyn-SLAM已嘗試解決動態(tài)物體的問題，但它們往往依賴于預(yù)定義的動態(tài)先驗或嚴重依賴深度先驗來確定動態(tài)物體掩碼，這使得它們在僅有單目RGB輸入的環(huán)境中難以適用。

此外，由于NeRF表示的局限性，渲染精度受到限制，常常導(dǎo)致嚴重的渲染偽影?；?DGS的諸如SplaTAM、Photo-SLAM和MonoGS等SLAM系統(tǒng)在靜態(tài)環(huán)境中表現(xiàn)良好，但在動態(tài)場景中往往會遇到跟蹤失敗和建圖錯誤的問題。因此，我們提出了Dy3DGS-SLAM，這是首個專為動態(tài)環(huán)境設(shè)計的僅使用RGB的3DGS-SLAM系統(tǒng)。我們利用光流來獲取動態(tài)掩碼，無需依賴預(yù)定義的移動對象，盡管這些掩碼在紋理均勻或快速運動的區(qū)域可能會有噪聲。為了解決這個問題，我們引入了單目深度估計，提供互補的空間線索，特別是在處理遮擋和深度不連續(xù)性時。然后，我們提出了一種深度正則化的掩碼融合策略，結(jié)合了這兩種模態(tài)的優(yōu)勢，減輕了各自的局限性，生成了更精確、更穩(wěn)健的動態(tài)掩碼。

在跟蹤方面，我們將估計的深度和融合后的掩碼納入運動損失中，有效地在位姿估計網(wǎng)絡(luò)中恢復(fù)尺度和位姿，從而獲得更準確的跟蹤結(jié)果。在渲染方面，為了解決瞬態(tài)干擾和遮擋問題，我們根據(jù)動態(tài)像素的顏色和深度對動態(tài)高斯分布進行懲罰。與基準方法相比，我們的方法顯著減少了渲染偽影，并極大地提高了幾何精度。

本文的貢獻可概括為：

?提出了Dy3DGS-SLAM，這是首個僅基于RGB的適用于動態(tài)環(huán)境的3DGS-SLAM系統(tǒng)，能夠在動態(tài)環(huán)境中實現(xiàn)穩(wěn)健的跟蹤和高保真度的重建。

? 提出了一種掩碼融合方法，通過結(jié)合光流的運動線索和深度估計的幾何一致性，能夠準確地覆蓋動態(tài)對象。基于融合后的掩碼，我們引入了新穎的運動和渲染損失，以有效減輕動態(tài)對象在跟蹤和渲染中的干擾。

? 在三個真實數(shù)據(jù)集上的實驗結(jié)果表明，與基準方法相比，我們的方法在跟蹤和渲染性能方面表現(xiàn)更優(yōu)。

02 方法架構(gòu)

我們的系統(tǒng)流程如圖1所示。我們解決了將從光流獲得的動態(tài)掩碼與從單目輸入估計的深度圖融合的問題，從而得到精確的動態(tài)融合掩碼。我們提出了運動估計網(wǎng)絡(luò)，并引入了結(jié)合深度估計的運動損失，使網(wǎng)絡(luò)能夠迭代地優(yōu)化精確的相機位姿。我們對被標記為動態(tài)的像素對應(yīng)的高斯分布進行懲罰，并基于單目深度應(yīng)用額外的渲染損失，以優(yōu)化場景細節(jié)。最后，我們利用多視圖一致性合成靜態(tài)場景。

03 實驗結(jié)果

A.實驗細節(jié)與指標

數(shù)據(jù)集和實現(xiàn)細節(jié)

我們在三個來自真實世界的公開數(shù)據(jù)集上進行了評估：TUMRGB-D、AirDOS-Shibuya和BONNRGB-D，這些數(shù)據(jù)集均捕捉了真實的室內(nèi)環(huán)境。

我們在一臺配備單個RTX3090TiGPU的臺式機上進行了SLAM實驗。我們展示了針對實時應(yīng)用設(shè)計的多進程實現(xiàn)的結(jié)果。與3DGS框架一致，時間關(guān)鍵的光柵化和梯度計算均使用CUDA實現(xiàn)。

指標和基線方法

為評估相機跟蹤精度，我們報告關(guān)鍵幀絕對軌跡誤差（ATE）的均方根誤差（RMSE）。對于運行時性能和網(wǎng)絡(luò)迭代速度，我們分別測量每秒幀數(shù)（FPS）和毫秒（ms）。GPU使用情況以兆字節(jié)（MB）為單位進行評估。我們將我們的Dy3DGS-SLAM方法與傳統(tǒng)動態(tài)SLAM方法（如ORB-SLAM3、Droid-SLAM、DynaSLAM、DytanVO和ReFusion以及基于 NeRF 的最新 RGB-D 傳感器方法（包括 NICE-SLAM、ESLAM、Co-SLAM和NID-SLAM）進行比較。此外，我們還考慮了基于3DGS的SplaTAM。

B.在TUM和BonnRGB-D上的跟蹤評估。

跟蹤

如表II所示，我們展示了來自TUM數(shù)據(jù)集的三個高度動態(tài)序列、一個輕度動態(tài)序列和兩個靜態(tài)序列的結(jié)果。

得益于我們提出的動態(tài)掩碼融合方法，我們的系統(tǒng)在跟蹤性能方面優(yōu)于基于RGB-D的方法，甚至可與傳統(tǒng)的SLAM方法相媲美。此外，我們在更復(fù)雜且更具挑戰(zhàn)性的BONN數(shù)據(jù)集上評估了跟蹤性能，如表I所示。即使在這些更復(fù)雜和大規(guī)模的場景中，我們的方法也取得了卓越的性能。我們的方法優(yōu)于所有其他方法，NID-SLAM是唯一一個結(jié)果接近我們的方法。此外，我們的方法在性能上優(yōu)于傳統(tǒng)方法。這表明我們的動態(tài)掩碼融合能夠有效地去除動態(tài)物體并增強跟蹤過程。

建圖

為了全面評估我們所提出系統(tǒng)在動態(tài)場景中的性能，我們分析了從定性角度來看結(jié)果。我們將渲染的圖像與從生成的高斯圖中獲得的真實姿態(tài)進行比較，使用與其他方法相同的視角。選擇了四個具有挑戰(zhàn)性的序列：來自波恩數(shù)據(jù)集的人群和人員跟蹤，以及來自TUMRGBD數(shù)據(jù)集的f3walkxyzval和f3walkstatic。如圖2所示，我們的方法在幾何和紋理細節(jié)方面顯示出顯著優(yōu)勢，尤其是在減少偽影方面。值得注意的是，我們的方法基于單目系統(tǒng)，并已在兩個真實世界數(shù)據(jù)集上得到驗證，證明了僅使用簡單相機即可準確記錄動態(tài)場景的能力。這突顯了我們的方法在有效追蹤和重建室內(nèi)環(huán)境方面的潛力，使其成為深度傳感器不可用的應(yīng)用場景中的寶貴工具。

04 總結(jié)

我們提出了Dy3DGS-SLAM，這是首個基于3DGS的單目RGB輸入的動態(tài)場景SLAM方法。該方法首先通過光流估計生成動態(tài)對象掩碼，將這些掩碼與單目深度估計相結(jié)合，創(chuàng)建融合掩碼并恢復(fù)尺度，從而準確捕捉動態(tài)對象掩碼。為了進一步提高位姿精度，我們基于融合掩碼優(yōu)化了損失函數(shù)，減少了多次迭代帶來的計算成本。此外，為了增強渲染性能，我們應(yīng)用了額外的光度和深度損失，以消除瞬態(tài)干擾偽影并提高幾何精度。實驗結(jié)果表明，與基線方法相比，Dy3DGS-SLAM在動態(tài)環(huán)境中實現(xiàn)了最先進的跟蹤和渲染性能。